1.3 矩阵与数组操作：一切计算的原子单位

1.3 矩阵与数组操作：一切计算的原子单位

本节摘要：矩阵的构造、索引、拼接与运算是 Matlab 全部上层能力的地基。本节覆盖常用构造函数、冒号与 end 索引、线性索引规则、矩阵拼接与变形，以及以 size、reshape、inv、\ 为核心的运算函数，配以可运行示例。

从一个数据表说起

假设有一份实验数据：4 次测量、每次 3 个通道。在 Matlab 里它天然就是一个 4×3 矩阵。构造它、切它、拼它、对它做统计，这四件事覆盖了日常数据操作的大半。

构造与基本信息

Z = zeros(3,4);        % 预分配全零矩阵
I = eye(3);            % 单位阵
R = rand(4,3);         % 均匀随机数
D = diag([5 3 1]);     % 对角阵
rng(42);               % 固定随机种子，保证结果可复现

size(R)                % 返回 [4 3]
length(R)              % 最大维度 = 4（建议改用 size，语义更明确）
numel(R)               % 元素总数 12
​

预分配不是小事：第 6 章会看到，循环里不断"变长"的数组是性能杀手，zeros 预分配是老一辈 Matlab 程序员的肌肉记忆。

索引：Matlab 最锋利的语法

A = magic(4);          % 4x4 魔方阵
A(2,3)                 % 第2行第3列
A(1:2, 2:end)          % 前2行、第2列到末列
A([1 4], :)            % 第1、4行的全部列
A(:, 2) = []           % 删除第2列（整列赋空）
v = A(3, :);           % 取出一行变向量
​

两条隐规则要记牢：赋空即删除（把子块赋成 [] 就删掉它）；线性索引按列优先展开，A(6) 等价于沿列数到第 6 个元素。列优先继承自 Fortran 时代，与 C 系语言的行优先相反，做混合编程时最容易在这里出错。

逻辑索引是矩阵语言的点睛之笔：

idx = A > 10;          % 同尺寸逻辑矩阵
A(idx)                 % 抽出所有大于10的元素，得到列向量
A(A < 5) = 0;          % 阈值过滤一行搞定
​

拼接、变形与函数运算

B = [A, A];            % 水平拼接（逗号或空格）
C = [A; A];            % 垂直拼接（分号）
M = reshape(1:12, 3, 4);   % 按列重排成 3x4
​

reshape 只搬运排列、不复制数据顺序按列走，配合线性索引可以玩出"矩阵变向量再变回来"的把戏，图像分块处理里非常常用。

统计与代数函数默认沿列作用，这是另一个"矩阵优先"的化石：

mean(A)        % 每列均值，返回行向量
max(A, [], 2)  % 每行最大值（第二维）
sum(A(:))      % 全体元素和：先摊平再求和
det(A); rank(A); eig(A)   % 行列式、秩、特征值
​

💡 关键直觉：mean(A) 与 mean(A,2) 的差别，本质是"沿哪个维压缩"。把"压缩"当心智模型，sum、max、mean 一整套函数就统一了。

一个小案例：条件替换与归一化

data = rand(4,3) * 100;
data(data < 30) = 30;              % 下限截断
data = (data - min(data,[],1)) ... % 按列min-max归一化
       ./ (max(data,[],1) - min(data,[],1));
​

三行完成截断加归一化——用标量语言写要两层循环，这里每个表达式都同时对整个矩阵生效。

完整案例：解方程组并诊断病态性

把本章主线题目做完。目标：解四元线性方程组，并回答"这个解能信吗"。

A = [ 3  1  0  2
     -1  4  2  1
      2  0  5 -1
      1  3  1  6 ];
b = [6; 4; 7; 12];

x = A\b                % 一次性求解
r = A*x - b            % 残差，理论上全为零附近
cond(A)                % 条件数：衡量解对扰动的敏感度
​

命令行会给出 x 的四个分量，残差 r 各元素量级在 1e-15 上下——这就是"数值上正确"。cond(A) 若输出在几十的量级，说明矩阵性态良好，解可信；如果条件数冲到 1e10 以上，哪怕残差很小，输入数据末位的一点测量误差也会被放大到解的整体上，此时应当考虑重新建模或改用正则化，而不是抱怨算法不准。\ 算符内部会根据矩阵形态自动在 LU、QR、Cholesky 之间选择，这个"自动挡"日常够用；想看它选了什么，加 sparse 或查看文档中的算法说明即可。

高频报错与定位方法

矩阵操作类报错集中在三句话上，逐一给出定位思路。第一句"矩阵维度必须一致"，出现在逐元素运算两侧尺寸不同时，先分别打印 size 对一遍，九成是行向量碰上了列向量——用 v(:) 或 v.' 摆正方向。第二句"内部矩阵维度必须一致"（乘法版本），说明矩阵乘法的内维不匹配，回到线性代数定义检查 A 的列数与 B 的行数。第三句"索引超出数组范围"，多半是 end 用在了空数组上，或者循环边界写成了 n+1；用断点停在出错行，把被索引变量的实际尺寸看一眼，通常立破。

另一个隐蔽问题是逻辑索引与数值索引混用：A(find(idx)) 与 A(idx) 在 idx 为逻辑向量时等价，但当 idx 是数值向量且含零时，find 版会把零当跳过、直接版则报错。统一用逻辑索引写法，行为最可预期。

与相邻概念辨析：reshape、permute 与转置

三者都在"改变元素排布"，但语义完全不同。转置只交换两个维度；reshape 保持列优先的数据顺序不变、只改各维长度；permute 任意重排维度顺序、元素随维度搬家。一张表看清：

辨析的意义在三维以上才真正显现：处理一批 100 张 64×64 图像时，数据是 64×64×100 的数组，想要"每张图的行"还是"跨所有图像的同位置像素"，决定了该用转置还是 permute。想清楚数据的维度语义，比背函数签名重要。

本节要点回顾

• 构造函数四件套：zeros/eye/rand/diag，预分配习惯从此建立；
• 索引三式：冒号区间、end 定位、逻辑掩码，掩码写法优先记；
• 赋空即删除、线性索引列优先，混合编程时的高频雷区；
• 函数默认沿列作用，第二参数控制维度；
• 矩阵思维：先写整块表达式，循环是最后手段。